106 posts tagged with "Industry News"

2026 年四季度，国产卡与进口卡的对比已经不能只看「单卡算力差多少」。三条硬约束同时收紧：政策红线（7 月 15 日七部委行动方案要求新增财政与央企自建算力国产硬件采购占比不低于 75%，9 月 1 日生效无过渡期）、价格双向上涨（国产卡在涨，进口卡配额在涨）、生态差距量化（WAIC 2026 演示中国产昇腾与同配置英伟达差距约 15% 至 25%）。这是一篇给决策者用的决策树，不是参数对比表。

一、先看两个真实报价趋势​

国产侧在涨价。 路透社与彭博社在 2026 年 10 月报道，华为将昇腾 950DT 加速卡指示性报价上调至 25 万元以上，较约两个月前的报价高出 20% 至 50%；彭博称三个月内涨约 60% 至同一水平，有消息人士称该报价是对标英伟达 B200 的多卡交易。老款也不豁免：昇腾 950PR 从年初约 6 万元涨至 8 万元以上，昇腾 910C 从约 9 万元涨至 11 万元以上。寒武纪下一代（暂称 690）报价上调 20% 至 30%，沐曦与燧原也有类似动作。根因是 HBM 供应集中，国产厂商不得不更多依赖成本更高的灰色渠道。

进口侧配额放松但落地存疑。 据报道北京已原则批准 DeepSeek、字节、阿里、腾讯采购 H200，累计超 40 万颗，但条件严格到「实际一单都没下」——英伟达 CEO 黄仁勋已亲口确认没有正式订单。

这两条趋势合起来的判断：四季度是国产卡的窗口期，但不是捡漏窗口期。 国产卡在涨是因为需求真实，不是因为供给变宽裕。

二、决策树：四个问题，四个出口​

问题一：你的负载有合规红线吗？​

若有（政务、央企、金融、医疗数据）——国产卡是必选项，不是选项。 政策要求新增财政与央企自建算力国产硬件采购占比不低于 75%，且无过渡期。此时决策树直接终止在国产分支，后续三个问题只在国产卡内部做型号选择。

若没有——继续。

问题二：你的模型栈是纯国产开源，还是重度依赖海外闭源？​

若你的模型栈以 Qwen、DeepSeek、GLM 等国产开源模型为主，国产卡的适配红利非常明确。昇腾走「全栈共定义」路线，DeepSeek V4 的训练即在昇腾上完成；寒武纪走「生态白手套」路线，把 vLLM 适配做深且 Flash 与 Pro 双开源。这类栈在国产卡上的迁移成本最低。

若你的核心负载重度依赖海外闭源模型或特定算子实现——继续评估，不要勉强。 需要提醒的是，公开分析提到 V4 上国芯曾需要重写约 200 个算子、投入约 30 人年才把性能从 1/35 追回来。这不是小工程。

问题三：你的负载是 decode 受限还是 prefill 受限？​

这是国产卡四季度最有价值的一个判据。昇腾 950 系列的双 die 分工正是围绕这一点设计：950PR（128GB HBM、约 1.6 TB/s）主打推理与 prefill，950DT（144GB 自研 HBM、4 TB/s 带宽、2 TB/s 互连）主打训练与 decode。

如果你的负载是 49B 激活量级的大模型 decode 路径（内存带宽受限），950DT 的 4 TB/s 是国产阵营里最合适的物理答案。 反之，如果是 prefill 密集或小模型高并发，950PR 或寒武纪 MLU690（192GB HBM3E，国产卡中最大显存配置）更匹配。

问题四：你能接受多长的交期和多少的性能折损？​

公开口径的性能差距是：昇腾与同配置英伟达在主流中国模型上差距约 15% 至 25%（WAIC 2026 演示）；第三方评测的推理吞吐对比中，2 卡昇腾 910C 约为 2 卡 H100 的 82%；训练吞吐口径下昇腾 910C 约为 H100 的 79%。同时要注意功耗代价：SMIC 7nm 级工艺的能效劣势使 Atlas 950 SuperPoD 的整机功耗约为可比英伟达配置的两倍以上。

如果你的业务 SLA 允许这 15% 至 25% 的折损，且机房有足够功率余量——选国产。 如果 SLA 卡死在毫秒级，先算功耗余量再决定。

三、四季度选型对照表​

四、四条执行建议​

• 不要为「国产化」三个字单独付费。 如果你的合规压力真实存在（问题一为是），国产卡的溢价是可以接受的；如果不存在，压着 15% 至 25% 的性能折损选国产，是纯粹的成本损失。
• 押注生态路线而非单卡参数。 昇腾的全栈共定义与寒武纪的 vLLM 深适配，是两条不同的赌注。多卡集群的决策应该押在生态路线上，因为单卡差距会被系统级优化覆盖。
• Q4 是窗口但不是折扣。 国产卡的涨价幅度（950DT 三个月约 60%）说明需求侧在抢。如果确实要用 950DT，Q4 下单比 Q1 下单便宜。
• 保留一条 CUDA 回退路径。 至少让推理栈能编译回 CUDA，避免在 H200 实际落地那天才发现切换成本已经超过预算。

一句话总结：2026 年四季度的国产卡 vs 进口卡，本质上不是性能选择题，而是「合规压力 + 模型栈归属 + decode 还是 prefill」三问的组合题。前一问决定要不要买国产，后两问决定买哪一款国产。

如果你在 2026 年四季度做 GPU 采购决策，最大的认知误区是继续盯着「GPU 有没有货」。TrendForce 在 10 月 5 日发布的供应链追踪里明确指出：在其跟踪的七大服务器零部件类别中，GPU 是唯一处于均衡水平的一类，而 CPU、DRAM、企业级 SSD 相关 NAND、HDD、ABF 载板、MLCC 全部处于紧张或极度紧张。瓶颈已经从「拿不到加速卡」，迁移到了「拿到卡之后，凑不齐一台能上电的整机」。

一、四季度的真实价格水位：现货在涨，也在分化​

先看海外云端。多家价格追踪站在 2026 年 10 月上旬给出的按需单卡小时价（美元）大致落在这个区间：

同一款 H100，最高价与最低价之间能出现 4.6 倍价差。这是四季度最重要的一条实操结论：你不是在买一种商品，你是在买一个供应商关系。

国内现货市场的走向更复杂。2026 年 9 月中旬的一线渠道数据显示，RTX 5090 涡轮卡与风扇卡报价分别为约 4.8 万元与 4.6 万元一张，相比前期高点已有回落；H100 老款整机维持在 325 至 330 万元区间；H200 两路整机约 560 至 565 万元一台；GB200 整机柜约 6800 万元一套，GB300 约 12500 万元一套。与硬件价格相比，租赁端的费率并未同步上涨——5090 服务器的月租费率仍稳定在 1.35 至 1.6 万元区间。这意味着现在买硬件的人，正在独自承担硬件端的溢价。

值得注意的是一个反向信号： Nebius 在 10 月 1 日上调了 GPU 小时价，媒体测算涨幅可达 21%，涉及 H200 报价升至约 5.40 美元。而 CoreWeave 在 9 月 17 日披露，其第三季度签署的 3 至 6 个月短约，按「年化收入除以服务集群所需电力」口径计约为每兆瓦 4000 万美元。这两组数据共同说明：四季度仍在涨的是新签的、算力紧张的合约，而非全部存量。

二、承诺折扣才是真正的采购价​

如果只比按需价，你会高估成本三到五成。2026 年 10 月初的公开报价显示，主流云的 H100 承诺折扣幅度如下：

这里有两个反直觉的点。第一，Azure 的 H100 竞价实例折算到单卡约 2.27 美元，低于我们核实的所有新型 GPU 云按需价——前提是你的任务能承受被抢占。第二，Google Cloud 上同一台机器的竞价实例（6.62）比其排队启动的柔性实例（约 4.79）贵出约 38%，而绝大多数团队从来没把这两者放在同一张表里比较过。

实操结论：先算承诺，再谈按需。 如果你的负载有 70% 以上的稳定基线，四季度就应该把 1 年承诺的报价拉进谈判桌，而不是按单小时询价。

三、整机交付才是真正的排期表​

TrendForce 10 月 5 日的交期数据，是四季度采购排期的核心依据：

价格侧，TrendForce 于 9 月 30 日预计 2026 年第四季度常规 DRAM 合约价环比再涨 10% 至 15%；ABF 载板从 3Q26 到 4Q27 逐季上涨 10% 至 15%。美光 CEO 更是在 10 月初公开表示，存储短缺可能延续到 2028 年甚至更久，客户最终支付的价格将「显著高于今年」。

实操结论：把 CPU、内存、存储、光模块的采购与 GPU 订单绑定谈。 如果你只锁了 GPU 的货，等卡的 30 周过去后还要再等 DRAM 的 20 周。横向看一眼，同一份调研还显示中压开关柜交期约 22 个月、大容量变压器约 18 个月——自建机房的项目，采购启动点要再往前推。

四、六步实操流程​

五、给采购负责人的四条清单​

• 先锁组件，再锁整机。 你的排期风险 90% 在 DRAM 和 ABF 载板上，不在 GPU 上。
• 把承诺价当谈判筹码。 Azure、Google 的 3 年承诺都在按需价的 44% 左右，1 年承诺约 64%，不询价就等于接受 100%。
• 警惕居间加价。 算力租赁渠道中居间人占比据称约三成，「总租-分租」模式会显著放大终端隐性成本；四季度更应走直签。
• 现货与租值的背离要计入模型。 硬件在涨、月租在稳，意味着现在囤货的持有成本正在被市场惩罚——除非你能证明未来 6 个月算力会继续短缺，而数据支持这个假设。

一句话总结：四季度 GPU 采购的正确姿势，不是「抢到卡」，而是「在组件最紧的时候把整机合同锁死，同时用承诺折扣把云端备选方案的账算清」。

截至 2026 年 10 月，四大云服务商的 2026 年资本开支指引合计已升至约 7200 亿至 7450 亿美元。这个数字还在上修路径上，而 10 月末即将开启的三季度财报季，是这一趋势能否延续的第一个真实检验点。

指引全景：全部上修，无一下调​

据 7 月下旬财报电话会披露的信息，四家云厂在最新一轮财报中全部上调或维持了资本开支预期。其中亚马逊将 2026 年现金资本开支指引从此前的约 2000 亿美元上调至约 2200 亿美元，并明确将涨价归因于内存成本上升；Alphabet 将全年指引从 1800 亿至 1900 亿美元上调至 1950 亿至 2050 亿美元；Meta 把区间下限从 1250 亿美元抬升至 1300 亿至 1450 亿美元；微软则因租赁会计口径调整，账面数字反而下调至约 1750 亿美元，并不代表实际投入减少。

若把甲骨文 FY2027 指引计入，合计规模将进一步抬升至约 8350 亿美元。从上半年与全年指引的差额看，四家公司对下半年的支出预期都明显加速——亚马逊隐含下半年约 1240 亿美元，Alphabet 约 1140 亿至 1240 亿美元，Meta 约 790 亿至 940 亿美元。

支出去向：不只是加速卡​

一个容易被忽略的细节是，微软在 FY26 第四财季电话会上明确说明，当季约 410 亿美元资本开支中约三分之二属于「短寿命资产，主要是 CPU 和 GPU」。这类资产折旧周期短、单价高，对零部件价格变动极为敏感。亚马逊高管也在电话会上把指引上调直接归因于内存成本。

另一边的压力来自供电与场地。据公开统计，行业跟踪的 104 个数据中心项目中已有 54 个在建，29 个已宣布，16 个部分运行，5 个完全投运；披露规模的项目合计规划容量约 104.5 吉瓦。配套的 52 笔电力交易中，47 笔披露容量的合计约 70.3 吉瓦，其中 14 笔落在 2026 年第三季度，是该数据集任何一个季度中最多的一次。

资本结构的压力同样在积累。据报道，Alphabet 已完成上市以来首次股票发行并发行大额债券，Meta 在 2026 年二季度自由现金流仅约 7.84 亿美元的情况下依赖私人信贷借款补充流动性。评级机构与投行普遍提示表外租赁与服务器采购承诺正在形成大额隐性负债。

研判：四季度看三件事​

第一是三季度财报。10 月末的财报季将给出第一个可以证伪的季度数据。如果有任何一家下调全年指引，「上修周期」才算真正见顶；在此之前，所有的「AI 泡沫」争论都还停留在估值层面而非支出层面。

第二是内存成本的传导路径。亚马逊把涨价写进指引，说明成本压力已经到了无法吸收的阶段。HBM 与 DDR5 同厂不同线，产能分配存在此消彼长关系，一旦消费级 DRAM 供给被压缩，云厂需要在不同内存品类之间重新分配预算。

第三是会计口径的可比性。微软把未来数据中心租赁从融资租赁调整为经营租赁，导致同一笔投入在资本开支科目上的呈现发生变化。任何跨公司加总的「AI 支出」数字，都必须先问一句口径是否一致。

对芯片产业而言，四季度的实际含义很直接：只要这四家不松手，HBM、先进封装、高速互联的订单可见度就维持在两年以上；但采购结构正从「单颗加速卡」转向「整机架系统 + 供电 + 液冷」，供应商名单会随之变长。

截至 2026 年 10 月，英伟达最近一期财报（2027 财年第二季度，截至 2026 年 7 月 26 日）把单季营收推高到 962.21 亿美元。总量已不是新闻——真正值得拆开看的是客户结构的分叉，以及中国市场贡献的持续收缩。

总量与结构​

单季营收 962.21 亿美元，同比增长 106%，环比增长 18%，连续刷新纪录，大幅超出华尔街一致预期的约 922 亿美元。GAAP 净利润 596.88 亿美元，同比增长 126%，GAAP 毛利率 75.0%。GAAP 摊薄每股收益 2.46 美元，调整后每股收益 2.22 美元，高于市场预期的约 2.10 美元。财报公布后盘后一度上涨近 5%。

管理层把数据中心增长归因于 Blackwell Ultra 平台的快速部署，并对下一季度给出约 1080 亿美元的营收指引。更罕见的是，公司首次提前一年给出远期指引，首席财务官预计 2028 财年营收增长约 70%。

客户集中度：从「依赖巨头」到「双引擎」​

这是本期财报最容易被忽略、也最有信息量的一组数字。超大规模云服务商贡献约 487 亿美元，同比增长约 102%；而 AI 云、工业与企业客户（ACIE）合计约 403 亿美元，同比增长约 138%，环比增速 25% 同样高于超大规模客户的 13%。英伟达对 ACIE 的解释是，增长来自 AI 原生公司、企业客户、主权 AI 客户，以及使用 AI 云服务的超大规模运营商。

换句话说，第二增长曲线的增速已经快于第一曲线。黄仁勋在电话会上表示，公司约一半业务目前正以每年约 100% 的速度增长，而且这部分增长来自云计算之外。这种结构变化对英伟达的意义在于：它降低了单一客户群资本开支波动带来的收入风险，也意味着定价权的基础正在从「少数几家可以签下十吉瓦的客户」扩展到成千上万家企业买家。

两个收缩项​

中国市场的贡献已经降到可以忽略的量级。本季运往中国的数据中心 Hopper 产品收入占数据中心总收入的比例低于 1%，且下一季度指引未计入任何来自中国的数据中心计算收入。这基本封死了 H20 系列在中国市场的残余想象空间。

另一项值得留意的收缩来自消费端。边缘计算板块营收约 72 亿美元，虽同比增长 27%，但公司明确表示增长主要来自 Blackwell 工作站强劲销售，部分被消费级 PC 销售放缓抵消——原因正是内存和系统价格上涨。这是本季度财报中唯一被管理层主动点名的需求抑制因素，也是 AI 内存涨价向终端传导的直接证据。

研判​

英伟达这份财报给出的信号可以概括为：总量天花板还很远，但增量来源正在换轨。ACIE 增速反超超大规模客户，意味着行业需求正从「少数巨头的基础设施投资」扩散到「成千上万家企业与主权 AI 的日常采购」。

不过有三处风险需要持续跟踪。其一，指引中不含中国收入，意味着这块若出现政策松动的边际改善，才会成为超预期的上行变量。其二，ACIE 客户群体更分散、订单颗粒度更小，对渠道与交付能力的要求高于对单一产能的依赖，这会改变公司的收入确认节奏。其三，库存与负债指标：财报披露当季存货拨备及超额存货采购义务约 9.85 亿美元，上半年合计约 21 亿美元，同时公司首次将「负债」单独列为风险因素，一到五年内到期债务为 150 亿美元，上一季度这一数字仅 27.5 亿美元。

真正决定下一个季度的变量，已经不在英伟达自己手里，而在台积电的先进封装产线和 HBM4 的爬坡速度上——这两者是 Blackwell Ultra 与 Rubin 平台能否按计划交付的物理前提。

截至 2026 年 10 月，OpenAI 的算力采购版图已经扩展到接近 26 吉瓦，其中自研芯片项目在 10 月迎来两个实质性节点：硬件平台选型曝光，融资安排浮出水面。这不再是简单的「买卡」故事，而是一家模型公司在重写自己的算力供应链。

一张吉瓦级采购清单​

OpenAI 在过去一年里先后与三家芯片供应商签下多吉瓦级承诺。2025 年 10 月宣布的博通合作是自研芯片的起点：双方共同开发 10 吉瓦定制 AI 加速器系统，博通负责硅实现与以太网组网，OpenAI 负责架构设计，部署窗口为 2026 年下半年启动、2029 年底完成。几乎同一时间，OpenAI 与 AMD 达成 6 吉瓦 Instinct GPU 协议，首批采用 MI450，并附带最高 1.6 亿股 AMD 股票的认股权证，按容量交付情况分批归属。英伟达方面承诺至少 10 吉瓦系统，并拟按每个吉瓦的实际部署进度逐步投资不超过 1000 亿美元，首个吉瓦计划于 2026 年下半年在 Vera Rubin 平台上线。

三份协议加起来接近 26 吉瓦。据公开报道，多家机构把这个体量换算成用电规模——单吉瓦 AI 数据中心的芯片采购成本就可能达到数百亿美元级别，26 吉瓦对应的硬件投入接近万亿美元量级。需要说明的是，其中相当一部分「已承诺容量」是分期交付的框架额度，而非一次性交付的现货。

Jalapeño 主机平台选型曝光​

10 月 4 日披露的一组细节，首次让人看清 OpenAI 自研推理芯片的机架级形态。据报道，这款代号 Jalapeño 的推理 ASIC 放弃了英伟达 Vera Rubin 加速器作为主机平台，改用 AMD EPYC Turin 处理器，每台主机搭载两颗 Turin 级 CPU 与 1.5TB 内存，经八根 PCIe 线缆连接到加速器托盘；相邻机架容纳 128 颗 Jalapeño 芯片，最多可通过 scale-up 网络互联 2048 颗加速器。功耗分配上，主机甲架约 31 千瓦，加速器机架约 130 千瓦，配对合计约 160 千瓦。

这套设计的逻辑是让 CPU 侧承担分词、请求处理、编排调度工作，避免昂贵加速器空转等待。Jalapeño 从设计到流片仅用九个月，博通负责硅实现与网络，Celestica 负责板卡与系统设计。OpenAI 硬件负责人将选择成熟 x86 平台称为务实之举——加速器本身没有 CUDA 那样的生态，软件栈验证容错空间极小，因此主机侧更倾向使用已有大量使用经验的成熟平台。值得注意的是，该项目内部代号为 Nexus，第一代与第二代芯片分别叫 Jalapeño 与 Serrano。

融资：从「买设备」到「买资产」​

10 月 8 日的消息把这条线索补完了。据《华尔街日报》与彭博社报道，博通近几周一直在为 OpenAI 的定制 AI 芯片安排超 500 亿美元融资，已与阿波罗全球管理、黑石集团等私募信贷机构展开早期洽谈，谈判尚处初期，规模可能变化；彭博社同期称早期磋商显示双方可能寻求筹集约 300 亿美元债务，尚未启动正式流程。

这并非孤立事件。博通此前已为 Anthropic 安排大规模债务融资，据报道正为 Anthropic 及其他公司筹集 600 亿美元新 AI 芯片融资，其中 A 类优先担保贷款银团分销函金额达 420 亿美元，黑石牵头 180 亿美元 B 类次级债务，并承诺从旗下基金出资 90 亿美元。甲骨文则与阿波罗、高盛洽谈专门融资，用于为一座 1 吉瓦数据中心采购芯片，结构可能是私人投资者设立表外实体购入芯片再租回给甲骨文，以填补硬件付款与云收入之间的时间缺口。

研判​

算力采购的竞争已经从芯片规格转向融资能力。当芯片厂商能把「交付硬件」和「安排资金」打包成一份方案，它锁定的就不只是订单，而是客户未来数年的路线图依赖。OpenAI 三线并行的策略本质是风险对冲，但代价是资本结构的复杂度同步上升——26 吉瓦的承诺对应的是尚未完全验证的收入能力。

真正的观察点在 2026 年下半年：Jalapeño 能否按期点亮送样、Vera Rubin 首个吉瓦能否如期上线、私募信贷对 AI 算力资产的风险偏好是否延续。这三件事的答案，会决定自研 ASIC 是真的降低成本，还是只是把成本挪到了资产负债表上。

2026年第42周（10月6日—10月10日），AI 芯片行业的关键词是"下沉"与"金融化"：AMD 把 192GB 内存塞进 AI PC，NVIDIA 承诺最高 1000 亿美元投资 OpenAI，三星单季利润预计暴增 8 倍，高盛统计年内 AI 财团融资约 5000 亿美元。本篇按国际、国产、存储与系统、资本与市场四节汇总。

国际动态​

AMD 发布 Ryzen AI Max 400 "Gorgon Halo"：最高 192GB 统一内存，覆盖 Pro 495/490/485 三个型号，单机可离线运行 1000 亿参数级大模型（官方口径支持 300B 级量化部署），在 NVIDIA RTX Spark 新品活动前两天发布，正面竞争意图明显。

NVIDIA 承诺最高 1000 亿美元投资 OpenAI：双方协议锚定 10GW 部署规模，首个 1GW 基于 Rubin 平台，计划 2026 H2 上线。芯片厂商向客户注资、客户用投资采购芯片的"循环"结构，成为本周算力金融化的标志性样本。

微软双线出击：Surface Laptop Ultra 发布（$2,599，10 月 16 日发货），同期 DGX Station for Windows 开启预览——GB300 平台、748GB 统一内存、20 PFLOPS FP4。RTX Spark 笔记本预订同步开启，联想 YOGA Pro 15 RTX Spark 定档 10 月 16 日开售。

Daytona 基准新纪录：基于 Vera 平台的系统以 8×EPYC 9755 配置实现 10.8 秒创建千级沙盒，Agent 基础设施的启动时延被压缩到秒级。

国产动态​

徐直军 HC2026 访谈给出三个关键口径：昇腾 950DT 年底实现规模供货；按华为口径昇腾在中国市场份额已超英伟达；当前第一约束是产能而非需求。结合站内 950 规格卡的市场报价数据（950DT 指示性报价超 25 万元、两月涨幅最高 50%），供给紧张可见一斑。

壁仞科技拟配售 1.3 亿股 H 股：配售价 31.08 港元，较市价折让 9.76%，国产 GPU 上市公司密集利用窗口期补充研发弹药。

奕行智能完成近 20 亿元融资：估值接近 150 亿元，边缘与推理芯片赛道持续吸金。

存储与系统​

三星 Q3 业绩预告炸裂：利润预计超 100 万亿韩元、同比增约 8 倍；12 层 HBM4E 已通过 NVIDIA 验证；同步公布 zHBM 与 400 层 V10 NAND 路线图。HBM 验证通过意味着 Rubin 后续代的存储供应格局进一步固化。

DRAM 价格创 15 年新高：本季度最高涨幅达 89%，内存占整机 TCO 比重持续攀升——站内 Rubin Ultra 卡记录的"内存已占 TCO 约 40%"正在被进一步刷新。

GlobalFoundries 与 TSMC 签订 20 亿美元 interposer 协议：先进封装产能成为继 HBM 之后又一个被提前锁定的环节。

Oracle 燃气卡车运电：据 Bloomberg 确认，Oracle 用卡车运送天然气维持多座数据中心运转，电力短缺已从预测变为运营现实。

资本与市场​

高盛统计：年内 AI 财团融资约 5000 亿美元。算力投资已形成"芯片商注资-客户采购-算力转售"的金融化闭环。

GMI Cloud 融资 6.68 亿美元，其中含 NVIDIA 2.23 亿美元股权投资——NVIDIA 的注资版图从中大型云厂商延伸到新兴算力运营商。

Super Micro 出口管制案同谋认罪，供应链合规风险开始向整机厂传导。

TSMC Q3 营收创纪录：9 月营收同比 +54.6%，全年 CAPEX 顶格至 560 亿美元，先进制程与先进封装双线扩产。

NVIDIA 计划投资 d-Matrix，推理 ASIC 新贵获得巨头背书；Upscale AI 发布 Token Fabric 网络方案；Gemini 4 "Argon" 即将发布，模型侧的新一代旗舰同样在倒计时。

下周关注​

1. RTX Spark 笔记本 10 月 16 日首发：Surface Laptop Ultra 与联想 YOGA Pro 15 同日开售，首发实测数据与终端定价即将揭晓；
2. 昇腾 950DT 规模供货节奏：徐直军"年底规模供货"承诺进入兑现观察期；
3. Q3 财报季开启：TSMC 已开 SCE 头炮，存储三巨头与 GPU 供应链财报将密集落地；
4. Rubin NVL72 出货爬坡：首个 1GW Rubin 部署能否如期在 2026 H2 上线。

小结​

第 42 周的主线是"算力金融化"：NVIDIA 千亿美元投资 OpenAI、高盛统计的 5000 亿财团融资、三星 8 倍利润，共同指向一个事实——AI 算力已经从技术生意变成资本生意。与此同时，Gorgon Halo 与 Surface Laptop Ultra 的发布说明竞争正在向端侧下沉，而 DRAM 创 15 年新高、Oracle 运气运电则提醒所有人：上游的存储与电力约束，比任何发布会都更真实地决定着 2027 年的算力供给。

当一家市值不足 NVIDIA 五分之一的公司，面对一个 2200 亿美元的市场机会，它该怎么做？AMD 在 2026 年的答案是：不买对手，买能力。MEXT、Taalas、World Labs 三笔收购，拼出的是一幅关于内存、推理与物理智能的算力版图。

三笔收购，三条战线​

2026 年，AMD 连续完成了三笔方向明确但标的各异的收购：

三笔收购覆盖了三个看似不相关、实则环环相扣的方向。MEXT 解决的是"数据怎么更快喂进计算单元"——在 HBM4 带宽成为推理瓶颈的年代，内存访问效率的提升直接转化为单位 token 成本的下降；Taalas 解决的是"推理硬件怎么更专"——MI455X 是通用型大芯片，但推理市场的长尾需求需要更极致的专用架构；World Labs 解决的则是"下一代计算场景在哪"——当 AI 从理解文本走向理解物理世界，空间智能就是新的算力需求源。

从"跟随 NVIDIA"到"差异化拼图"​

回看 AMD 过去几年的数据中心路线，主旋律是跟随：MI300X 对标 H100，MI355X 对标 B200，Helios 对标 NVL72——用更大的显存和更低的成本切入市场。这条路线有效，但天花板明显：只要产品定义的坐标系由对手划定，就只能做"性价比版本"。

2026 年的收购组合拳标志着路线切换。三线并购不再是补某个单点参数，而是在构建对手没有的差异化栈：

• 内存线：MEXT 的内存访问优化能力，叠加 MI400 系列本就领先的 432GB HBM4 与 23.3TB/s 带宽，把"大显存"从规格优势深化为系统级优势；
• 推理线：Taalas 的快速推理硬件，与 MI455X 的 MXFP4 算力、Wave32 原生执行形成互补，覆盖从旗舰通用到专用推理的完整谱系；
• 物理智能线：World Labs 的空间智能，为 AMD 打开了机器人、自动驾驶、世界模型这些尚未定型的市场。

值得注意的是 World Labs 的背景——这家由李飞飞创立的空间智能公司，代表的是"AI 理解物理世界"的技术路线。当行业热议物理 AI 与世界模型时，拥有空间智能的芯片化能力，意味着 AMD 在下一个计算周期里有了自己的牌。

千亿美元合作的背景板​

收购需要放在更大的商业版图中理解。2025 年 10 月以来，AMD 先后与 OpenAI 达成 6GW 级合作，与 Meta 达成最高 6GW 的部署计划，两者合计 12GW 以上，且均为 1000 亿美元级的合作体量；Anthropic 将部署最高 2GW 的 MI450 系列并获得 AMD 最高 50 亿美元战略投资；微软在 Azure 大规模部署 Helios 机架，Oracle 则是早期采用者。

这些合作定义了 AMD 的基本盘：数据中心训练与推理。而管理层看到的市场远不止于此——AMD 估算推理与数据中心 CPU 合计存在 2200 亿美元的机会。即便如此，AMD 的市值仍不足 NVIDIA 的五分之一，分析师普遍认为这一差距本身就是追赶空间：只要兑现一部分订单，估值就有结构性修复的动力。

三笔收购正是为兑现服务的：OpenAI 与 Meta 的 GW 级部署需要极致的单位 token 成本（Taalas、MEXT），而真正拉开长期差距的，可能是现在还没人给出定价的物理 AI 市场（World Labs）。

多线并进的两端战场​

拼图不只在数据中心。在端侧，AMD 推出了 Gorgon Halo（Ryzen AI Max 400）——面向 AI PC 与边缘场景的 192GB 统一内存方案，让单机跑下超大参数模型成为可能，这是数据中心 HBM4 大显存战略在端侧的镜像。在生态侧，Cerebras 与 AMD 达成合作开发分离式推理系统，声称每瓦 token 吞吐量提升 5 倍——用对手生态里的创新者补自己的推理短板。

于是我们看到一个三端结构：MI455X 与 Helios 守数据中心高端，Gorgon Halo 占端侧大内存位，收购来的能力填充中间的推理与物理智能空隙。

与 NVIDIA 买法的对比：买能力，而非买对手​

把 AMD 的并购路线放进行业坐标系，差异立刻显现。NVIDIA 近年的资本运作以"买竞品、堵路线"为主：收购推理芯片公司 Groq，投资推理芯片新贵 d-Matrix——目标是消灭或收编可能的挑战者，巩固现有垄断。

AMD 的买法几乎相反。MEXT、Taalas、World Labs 没有一家是 NVIDIA 的直接竞品，它们买的是三种能力：内存效率、推理架构、空间智能。这种"买能力而非买对手"的策略，反映的是追赶者的理性：与其在 NVIDIA 已经筑墙的领域正面攻城，不如把资源投到墙还没砌起来的地方。追赶者买未来，领先者买保险——两种策略没有绝对优劣，但后者需要垄断者的现金流，前者是 AMD 这样的市值体量唯一可行的选择。

风险同样要直言：三线并购意味着三线整合。World Labs 的空间智能如何产品化、Taalas 的推理硬件如何与 MI400 平台协同、MEXT 的技术如何下沉到 ROCm 软件栈，每一条线都需要时间验证。并购成功的从来不是买下公司那一刻，而是能力长进产品那一刻。

小结​

MEXT、Taalas、World Labs 三笔收购，配上 OpenAI、Meta 的千亿美元级合作、Gorgon Halo 的端侧战线与 Cerebras 的生态合作，AMD 在 2026 年完成的不是一次采购行为，而是一次战略定位的切换：从跟随 NVIDIA 的性价比挑战者，转向用"内存-推理-物理智能"三线拼图定义自己的差异化玩家。2200 亿美元的市场机会、不足 NVIDIA 五分之一的市值、尚未定型的物理 AI 市场——对追赶者而言，最好的出手时机就是格局未定之时。这三笔收购能否拼出完整版图，2027 年 MI430X 出货与 World Labs 的首个产品化成果，将是两个关键的验收节点。

AMD 确认下一代移动端旗舰处理器 Ryzen AI Max 400 系列，代号 Gorgon Halo。这是继 Strix Halo 之后，AMD 在端侧 AI 算力赛道投下的又一枚重锤。然而，这次发布的时间点极其微妙——正值 DRAM 价格创下约15年新高之际，192GB 统一内存的豪华规格能否真正大规模供货，成为业界最大的悬念。

一份价值数百亿美元的合同，至多 100 万颗 TPU，超过 1 吉瓦的算力容量。Anthropic 与谷歌的这次扩约，把云厂商自研芯片从内部工具推向了 AI 时代的硬通货。

协议全貌：最大规模的 TPU 外部订单​

2025 年 10 月 23 日，Anthropic 与 Google Cloud 联合宣布扩大合作：Anthropic 将获得至多 100 万颗谷歌自研 TPU 以及额外云服务资源，用于训练和服务未来数代 Claude 模型；超过 1 吉瓦的算力容量自 2026 年起陆续上线。双方确认协议总价值达数百亿美元级别，是 Anthropic 迄今最大的一笔 TPU 承诺，也是谷歌 TPU 对外供应史上规模最大的单一订单。

行业测算显示，1 吉瓦数据中心的建造成本约 500 亿美元，其中芯片部分通常占约 350 亿美元。以此对照，这份协议的分量不言而喻。作为对照，OpenAI 此前签署的一系列协议涉及约 26 吉瓦以上的算力承诺，而 Anthropic 的打法显得更克制也更聚焦：不追求纸面吉瓦数，而是绑定性价比。

为什么是 TPU：性价比与多云策略​

Anthropic 给出的选型理由十分务实：TPU 的性价比与能效表现突出，且团队自 2023 年起就有在 TPU 上训练与服务 Claude 的经验。谷歌云 CEO Thomas Kurian 强调，这次扩约印证了 TPU 多年积累的成熟度，并以第七代 Ironwood 作为产品组合的代表。

更深层的原因在于 Anthropic 的多云架构。据 CNBC 报道，Claude 的训练与服务横跨三大算力底座：亚马逊 Trainium（包括 Project Rainier 超算集群）、英伟达 GPU 与谷歌 TPU，不同平台按训练、推理、研究等负载分工。这种策略在 2025 年 10 月 AWS 大规模宕机事件中得到验证——得益于算力来源分散，Claude 服务未受波及。对 Anthropic 而言，不与任何单一云厂商绑定，既是供应安全，也是议价筹码。

需求侧的底气：收入与客户的爆发式增长​

支撑百万卡级采购的，是 Anthropic 自身的业务曲线。签约时点，其年化收入运行率已接近 70 亿美元，超过 30 万家企业客户使用 Claude，两年内增长约 300 倍；年贡献超过 10 万美元的大客户数量一年内增长近 7 倍。Claude Code 上线仅两个月即实现 5 亿美元年化收入，被公司称为史上增长最快的产品之一。

谷歌在合作中的角色也不仅限于芯片供应商。谷歌此前累计向 Anthropic 投入约 30 亿美元，据 2026 年披露的法庭文件持有该公司约 14% 的股权，同时 Claude 也通过 Vertex AI 面向企业客户分发。算力供应加股权绑定加渠道分发，构成了三重利益联盟。

小结​

这份协议的产业信号十分清晰：第一，自研加速器已经成为头部 AI 公司采购算力的主流选项，TPU 正从谷歌内部资产变成对外收入来源；第二，多云算力策略成为前沿 AI 公司的标准配置，单一供应商模式正在瓦解；第三，随着 2026 年这批 TPU 陆续上线，Anthropic 与 OpenAI 之间的算力竞赛将进入吉瓦级对标的新阶段。

当整个行业还在围绕 GPU 的 HBM 容量与机柜规模做文章时，Cerebras Systems 走了一条从根上不同的路：把整片晶圆做成一颗"芯片"。这家公司宣称其晶圆级引擎比 GPU 快 30 倍，并与 OpenAI 签署了一份高达 100 亿美元的电力协议（有效期至 2028 年）。在分析师将 Cerebras 与 AMD 并列为"未来十年可能跑赢 NVIDIA"的两家公司的当下，替代架构赛道正在从概念验证走向商业兑现。

晶圆级架构：从站内卡看 WSE-3 的底子​

根据站内 Cerebras WSE-3 芯片卡，晶圆级引擎的硬件基础如下：

作为对比，一颗常规旗舰 GPU 的晶体管数量在千亿级——WSE-3 的 4 万亿晶体管相当于数十颗 GPU 被熔铸在同一片晶圆上。900,000 个核心之间通过片上网络直连，配合 Weight Streaming 技术，从架构上消除了大模型训练的两大痛点：内存墙与通信开销。传统集群训练中，跨芯片的梯度同步消耗大量时间；而在晶圆级引擎上，这些"通信"变成了片上走线。

为什么晶圆级能做到快 30 倍​

晶圆级架构的原理优势集中在两点：

第一，无 reticle 限制。 传统芯片的尺寸受光刻机 reticle（曝光区域）约束，单 die 面积存在物理上限，算力扩展只能靠多芯片组网。Cerebras 通过晶圆拼接技术在整片 300mm 晶圆上制造出统一的计算平面，绕开了这个物理天花板。

第二，内存贴近计算。 44GB 片上 SRAM 与计算核心同晶圆集成，SRAM 延迟是纳秒级，带宽远超 HBM。对照行业趋势——NVIDIA 收购 Groq 后主推 SRAM-only LPU、d-Matrix 主推数字 SRAM 推理芯片——"内存贴近计算"正在成为推理架构的共同信仰，而 Cerebras 在这条路上已经走了三代。

代价同样清晰：散热与良率。15 kW 液冷整机只是单系统功耗；晶圆上任何一个缺陷区域都必须被冗余设计屏蔽，良率管理难度远超常规 die。这也解释了为什么晶圆级引擎至今仍是高投入机构的选择，而非大众市场商品。

100 亿美元电力协议：新的合作计量单位​

Cerebras 与 OpenAI 的协议核心不是芯片采购，而是电力——至 2028 年提供 100 亿美元规模的电力保障。AI 算力产业的稀缺资源排序已经悄然变化：芯片可以加急生产，数据中心可以快速搭建，但电网接入与发电能力是按年计的硬约束。"电力协议"正在取代"芯片订单"成为巨头间合作的计量单位，这与近期 Anthropic、OpenAI 动辄以吉瓦（GW）为单位锁定算力的趋势一脉相承。

配套动作同样值得注意：Cerebras 与 AMD 合作降低成本，借力 AMD 的封装与系统生态摊薄晶圆级方案的高昂制造成本。而 2026 年 10 月 2 日，Cerebras 又演示了解耦（disaggregated）芯片架构，实现推理吞吐 5 倍增益——将计算与内存功能在系统层面分离编排，为晶圆级架构打开了推理场景的新增长空间。

替代架构赛道全景：融资密度陡增​

Cerebras 不是孤军。2026 年以来，GPU 之外的架构创新密集获得资本加持：

其中光计算路线尤其活跃。Volantis 的光子推理系统采用类 Face ID 的垂直腔面发射激光器（VCSEL）连接 AI 芯片与内存，用光替代电信号突破互连带宽瓶颈；Q/C Technologies 与 Sandia 国家实验室的纳米光子 OPU 则把光学计算单元推向更深的技术腹地。光互连解决的是"数据搬运"这个所有非 GPU 架构的公共瓶颈——当计算本身已经足够快，通信才是真正的墙。

GPU 之外的第三条路：先在推理落地​

训练市场的替代架构尝试屡屡受挫，但推理市场正在成为新架构的温床，原因有三：

1. 成本敏感。LLM serving 的成本结构决定了每 token 推理成本的微小改善会被海量请求放大为巨大商业价值，架构创新有了明确的回报标尺。
2. 架构可固化。训练需要灵活支持不断演进的模型结构，而推理负载相对稳定，SRAM 密集、流水线化的专用架构可以"固化"模型结构换取极致效率——这正是 LPU、数据流架构的共同打法。
3. 无生态包袱。推理可以通过 OpenAI 兼容 API 层屏蔽底层差异，绕开 CUDA 的护城河；训练则深度依赖框架与算子生态，迁移成本极高。

分析师将 Cerebras 与 AMD 并列为未来十年可能跑赢 NVIDIA 的两家，逻辑正在于此：AMD 靠性价比与开放生态蚕食存量市场，Cerebras 靠架构范式在增量市场（极致推理速度）开疆拓土。

小结​

Cerebras 的 30 倍速度宣称与 100 亿美元电力协议，共同标记了 AI 算力竞争的第二曲线：当 GPU 路线的边际改善趋缓，晶圆级、光计算、数据流架构正在从实验室走向商业化。晶圆级架构用"无 reticle 限制 + 内存贴近计算"换取极致速度，代价是散热与良率的持续攻坚；"电力协议"则揭示算力竞争的底层已是能源竞争。对行业而言，最现实的判断是：GPU 之外的第三条路会先在推理场景落地——那里成本敏感、负载稳定、生态门槛最低，也是 Cerebras、Volantis、Efficient Computer 们共同的战场。